用python实现一个简单的kmeans算法实例

好的，下面是一个简单的KMeans算法的Python实现示例：

import random
import math


class KMeans:
    def __init__(self, k, data):
        self.k = k
        self.data = data
        self.centroids = []
        self.clusters = [[] for _ in range(self.k)]

    def run(self, max_iterations):
        self._init_centroids()

        for i in range(max_iterations):
            self._assign_clusters()
            old_centroids = self.centroids[:]
            self._update_centroids()

            if self._has_converged(old_centroids):
                break

        return self.clusters

    def _init_centroids(self):
        self.centroids = random.sample(self.data, self.k)

    def _assign_clusters(self):
        self.clusters = [[] for _ in range(self.k)]
        for point in self.data:
            distances = [math.dist(point, centroid) for centroid in self.centroids]
            closest_centroid_idx = distances.index(min(distances))
            self.clusters[closest_centroid_idx].append(point)

    def _update_centroids(self):
        for i, cluster in enumerate(self.clusters):
            if cluster:
                self.centroids[i] = [sum(col) / len(cluster) for col in zip(*cluster)]

    def _has_converged(self, old_centroids):
        return set(tuple(x) for x in self.centroids) == set(tuple(x) for x in old_centroids)

这个实现包含一个 `KMeans` 类，它接受两个输入参数：`k` 和 `data`。 `k` 是要聚类的数量， `data` 是要聚类的数据集。

`run` 方法运行KMeans算法，并返回一个列表，表示每个聚类中的点。 `max_iterations` 参数确定算法运行的最大迭代次数。

在 `run` 方法中，我们首先初始化质心，然后在最大迭代次数内进行循环，直到质心不再变化或达到最大迭代次数为止。在每个迭代中，我们分别执行以下操作：

- 将每个点分配到与其最近的质心所在的聚类中。
- 更新每个聚类的质心以反映该聚类中所有点的平均值。
- 检查质心是否已经收敛，如果是，则停止迭代。

该实现使用欧几里得距离来计算点之间的距离。